《Journal of Intelligence》：Cognitive Predictors of AI-Related Textual Change in Upper-Intermediate L2 Russian Writing: Working Memory, Attention Control, and Critical Thinking
编辑推荐：
生成式人工智能（GenAI）能够改变二语（L2）终稿文本，然而认知差异可能塑造哪些变化得以显现。本探索性研究考察了38名中高级俄语学习者，每名学习者在有AI辅助和无AI辅助条件下各完成一篇作文。工作记忆、注意控制和批判性思维以连续变量形式测量，并从配对作文中计
生成式人工智能（GenAI）能够改变二语（L2）终稿文本，然而认知差异可能塑造哪些变化得以显现。本探索性研究考察了38名中高级俄语学习者，每名学习者在有AI辅助和无AI辅助条件下各完成一篇作文。工作记忆、注意控制和批判性思维以连续变量形式测量，并从配对作文中计算了11项文本结果指标。AI辅助文本表现出更高的基于词元的词汇多样性值、更长的词、每100词更多的连接词以及显著更少的第一人称标记，而总词数、句子指标和程式化表达率在全样本中无差异。在排除第一人称形式后，基于词性（POS）的实词密度增高被削弱，提示人称标记变化对此有所贡献。探索性模型提示工作记忆与词汇多样性和连接词率变化呈负相关，注意控制与词汇多样性变化呈负相关。工作记忆对词数变化的正向系数对HC3估计和逐一剔除重拟合敏感。批判性思维在主要变化分数模型中未显示清晰的独立关联，而在结果条件化模型中MATTR和HD-D出现正向系数。在该监督性、学生中介的程序下，AI辅助与完成后的二语文本在词汇、话语标记和立场方面的差异相关。
**研究背景与问题**
生成式人工智能（GenAI）已成为二语（L2）写作中的活跃组成部分，写作者可在数秒内获得候选观点、词汇替代、句法表述、话语过渡和扩展段落。当前讨论已确立GenAI的教育机遇与认知风险，AI辅助二语写作研究也记录了写作质量、语言复杂性、修改、纠错和学习者体验方面的变化，但预测这些变化的个体认知能力仍相当缺乏了解。这一缺口之所以重要，是因为AI生成的建议只有在写作者维持任务目标、在备选项中做出选择、评估相关性并将语言整合进发展中的文本之后，才成为终稿作文的一部分。写作本身已对计划、观点生成、语言编码、转写、监控和修改提出同时性要求（Hayes, 2012; Kellogg, 2008），这些要求在二语中尤为突出，因为词汇提取和语法表述所调用的资源可能比一语更费力、更少自动化（Kormos, 2012, 2023）。在本研究的AI辅助条件下，GenAI作为对话伙伴，可解释、举例或讨论语言与内容，但写作者仍须维持交际意图、评估回应并自行表述提交的作文。AI辅助写作可被视为一种分布式表现：写作者将自身的写作与通过外部AI系统讨论的信息相结合。三个认知构念与这一协调尤为相关：工作记忆容量支持任务相关信息的暂时维持与操作（Baddeley, 2003; Unsworth & Engle, 2007）；注意控制支持目标维持、干扰管理和加工资源的选择性分配（Lee & Engle, 2026）；批判性思维支持对主张、证据、推断及观点间关系的评估（Abrami et al., 2015; Halpern & Dunn, 2021）。本研究将这一解释拓展至AI辅助二语作文及完成文本的语言属性。
**研究方法概述**
本研究采用被试内重复测量设计与连续个体差异预测变量相结合。参与者为上海某大学俄语专业本科生中筛选出的38名中高级俄语二语学习者（21–23岁，19女19男，均学习俄语四年），经现场TORFL（对外俄语等级考试）评估，36人达B2、2人达C1。每名参与者在有AI辅助（使用DeepSeek-R1模型，教师现场监督，禁止请求完整作文或复制AI输出）和无AI辅助条件下各完成一篇同一主题（写作者的爱好）的俄语手写作文，两次会话间隔一个月，条件顺序以两序列区组随机分配平衡。工作记忆以操作广度任务和对称广度任务测量并合成；注意控制以Stroop任务和任务转换范式测量并合成（标准化Cronbach's α = 0.804）；批判性思维以Watson–Glaser II批判性思维评价（WG-II）D卷40题测量。文本经Python 3.12本地处理，使用Pymorphy3进行词元与词性分析、Razdel分句，计算11项结果指标（产出、词汇分化与集中度、句子打包、话语连接、立场与程式化）。
**研究结果**
**数据完整性与预测变量诊断**：38名参与者均提供完整数据，共76篇作文。三个认知复合分数间相关适中（工作记忆与注意控制r = 0.290，与批判性思维r = 0.313；注意控制与批判性思维r = 0.233），主要模型方差膨胀因子为1.12–1.17，表明预测变量重叠所致的系数膨胀很小。
**AI辅助与无AI条件的文本差异**：配对比较显示，AI辅助作文的Guiraud's R（p = .008）、MATTR（p = .048）、HD-D（p = .046）更高，词更长（p < .001），基于词性的实词密度更高（p = .023），每100词连接词更多（p < .001），第一人称标记每100词急剧下降（p < .001）；词数、句子率、平均句长和程式化表达率未达名义阈值。最大标准化差异为第一人称标记减少（dz = ?1.43）、平均词长增加（dz = 1.19）和连接词率增加（dz = 0.84）。排除第一人称标记后，平均词长差异仍为0.499个字母（p < .001），而实词密度差异降至0.008（p = .300）。在36对句子级敏感性分析中，AI作文平均句单位更长（差异1.759词，p = .016）、每100词句子更少（差异?1.476，p = .005）。
**主要认知模型**：以工作记忆、注意控制、批判性思维同时作为标准化预测变量预测各AI–无AI差异分数，模型R2从程式化表达率的0.013到HD-D的0.303，词汇多样性模型解释24–30%的变化分数方差。工作记忆与词数变化正相关（β = 0.487，p = .006），与MATTR变化（β = ?0.411，p = .016）、HD-D变化（β = ?0.385，p = .018）和连接词率变化（β = ?0.365，p = .043）负相关。注意控制与Guiraud's R变化（β = ?0.504，p = .003）和HD-D变化（β = ?0.335，p = .034）负相关。批判性思维在主要变化分数模型中无清晰独立关联。敏感性分析显示不同精度：工作记忆–词数系数的HC3 95% CI为[?0.221, 1.196]（p = .171），连接词率HC3 p = .082；逐一剔除重拟合中工作记忆–MATTR p达.104、工作记忆–连接词率p = 0.204、注意控制–HD-D p = .077；工作记忆–HD-D和注意控制–Guiraud's R在两项检验下均保持p < .05，六个系数方向在逐一剔除重拟合中均得以保留。
**结果条件化模型**：在控制无AI条件下相应结果值及三个认知预测变量后，工作记忆与AI条件词数正相关（β = 0.383，p = .010），与基于词性的实词密度负相关（β = ?0.434，p = .014）；注意控制与AI条件Guiraud's R负相关（β = ?0.289，p = .031）；批判性思维与MATTR（β = 0.340，p = .04998）和HD-D（β = 0.373，p = .031）正相关。
**文本长度敏感性与跨条件相关**：30对文本长度敏感性分析中，全样本中六个p < .05的认知系数均保持方向且仍低于该阈值。跨条件相关方面，词数r = 0.572、Guiraud's R r = 0.731、MATTR r = 0.334、HD-D r = 0.428等。
**讨论与结论**
讨论部分指出，探索性条件比较提示监督性AI辅助与学生自写文本的内部构成差异相关：三项词元多样性指数在AI条件下更高，平均词长显著增加，这与AI支持可改变二语书面产品词汇特征的证据一致；由于学生自行写作且禁止复制AI输出，这些对比刻画的是经监督性AI咨询产生的写作而非直接插入模型生成文本。第一人称标记的显著减少表明可见作者立场的变化，连接词率增加而程式化表达率未变；剔除第一人称项目后实词密度对比降至不显著，表明密度结果部分反映人称标记变化，而词长结果不能仅归因于短第一人称形式的减少。工作记忆的名义关联提示可能的产出放大解释，其词数与连接词率关联对HC3估计敏感、若干关联在逐一剔除重拟合中精度不一，提示可能存在产出–多样性权衡供进一步研究；这些度量不意味着高工作记忆写作者绝对表现更低，而是描述每名写作者AI条件相对其无AI条件的差异。注意控制与词汇多样性变化的负关联与补偿或支架解释相容，即对话式支持减轻了内部生成和调节词汇替代的负担；结果条件化模型中Guiraud's R关联在控制无AI值后仍存在，但该调整不能排除测量误差所致的均值回归或重复主题的延续效应，HD-D关联在该模型中未持续。批判性思维在主要模型中无清晰独立关联，而在结果条件化模型中较高WG-II分数与较高AI条件MATTR和HD-D相关，这一模式定位于调整后的词汇多样性而非跨两个模型家族的一致关联，为未来基于过程的研究提供了假设。研究结论部分指出：在这些边界内，本研究记录了监督性、学生中介辅助下中高级二语写作中AI相关变化的产品层面模式；AI咨询与更高的基于词元词汇多样性、更长的词、更多连接词标记和更少第一人称标记相关，而总词数无可靠增加；剔除第一人称形式后词性–密度对比被削弱，提示人称标记构成对此差异有所贡献；认知分析识别出跨文本结果和模型设定变化的探索性关联模式，若干主要系数对HC3估计或个体剔除敏感，这些发现激发对认知资源与AI辅助写作关系的进一步研究。
